TensorFlow/Keras中model.weights工作机制及手动用权重复现预测结果疑问

1. Keras/TensorFlow中model.weights的工作逻辑 #

model.weights是按模型层的构建顺序存储所有可训练/不可训练权重的列表，对于全连接（Dense）层，每层的权重会按**先卷积核（kernel，即权重矩阵）、后偏置（bias）**的顺序依次加入列表：
你的模型包含3个Dense层，因此model.weights共6个元素，顺序如下：

• w0：第一层Dense的权重矩阵，形状(9, 256)
• w1：第一层Dense的偏置，形状(256,)
• w2：第二层Dense的权重矩阵，形状(256, 128)
• w3：第二层Dense的偏置，形状(128,)
• w4：第三层Dense的权重矩阵，形状(128, 1)
• w5：第三层Dense的偏置，形状(1,)
  你提取权重的顺序是正确的，问题出在手动计算的逻辑有遗漏。

2. 手动计算与predict结果对齐的方法 #

结果不一致几乎都是因为遗漏了激活函数、预处理逻辑两个核心环节，按以下步骤校验即可对齐：

步骤1：补全每层的激活函数运算 #

Dense层默认带激活函数（如果构建时指定了activation参数），你现在的手动计算是纯线性运算，完全没加激活，这是最常见的错误原因。假设你前两层用了ReLU激活（最常用的配置），手动计算逻辑应该调整为：

# 第一层计算+ReLU激活
l1 = np.maximum(x @ w0 + w1, 0)
# 第二层计算+ReLU激活
l2 = np.maximum(l1 @ w2 + w3, 0)
# 输出层（回归任务一般是线性激活，不需要额外操作）
manual_pred = l2 @ w4 + w5

如果用了其他激活函数（sigmoid、tanh等），替换成对应numpy实现的运算即可。

注：Dropout层只在训练阶段生效，预测阶段会自动关闭，不会影响推理结果，不需要手动处理。

步骤2：确保输入输出的预处理逻辑和训练时完全一致 #

如果训练阶段你对输入特征做了标准化/归一化，或者对输出标签做了缩放，手动计算时也要严格复现：

• 输入x必须先做和训练时完全相同的变换（比如减去训练集均值、除以训练集标准差），再代入计算
• 如果训练时对标签做了缩放，计算得到的结果还要做逆变换才能得到真实预测值，和predict的输出对齐。

步骤3：校验权重顺序（可选） #

如果还是有误差，可以打印权重名称确认顺序无误：

for idx, w in enumerate(Model.weights):
    print(f"w{idx}: {w.name}, 形状：{w.shape}")

确认每层的kernel和bias顺序和你使用的w0-w5完全匹配即可。

内容的提问来源于stack exchange，提问作者Dacian Peng